从可变长度数据中优化步态模板生成：一种动态维度变形方法

《Scientific Reports》：Optimizing gait template generation from variable-length data: a dynamic dimension warping approach

　　

摘要

在运动科学中，对人类运动数据的分析常常受到运动速度和节奏固有变化性的挑战，这导致步态时间序列数据的长度不一致（即动态维度存在问题）。这对传统优化算法构建用于性能分析和康复的精确运动模板构成了重大障碍。为了解决这一问题，我们提出了一种新型的动态维度变形（Dynamic Dimension Warping，简称DDW）算法，该算法专为在动态多维空间中进行高效搜索而设计。DDW结合了跨维度映射（Cross-Dimensional Mapping，简称CDM）机制，将动态时间变形（Dynamic Time Warping）和欧几里得距离（Euclidean distance）相结合，以实现不同长度序列之间的比较；同时采用了最优维度收集（Optimal Dimension Collection，简称ODC）方法来打破固定维度的限制。当应用于从实验数据中优化人类步态模板的任务时，DDW的表现优于31种基准算法，平均适应度降低了9.16%（低于平均值41%），并在10代内实现了快速收敛。此外，在52.17%的经典函数测试中，DDW还取得了全局最优解，证明了其鲁棒性。这项工作确立了DDW作为处理复杂、动态维度问题的有效优化框架的地位，对步态分析和生物力学运动评估具有直接的方法学价值。